基于IPSO-LSTM神经网络的短期负荷预测

摘要：

在电网负荷预测方面,LSTM模型有较好的预测精度.但模型参数需要手动设置,网络训练时间长.提出一种改进粒子群算法(IPSO)与长短期记忆网络(LSTM)相结合的预测模型(IPSO-LSTM).利用IPSO对LSTM网络的神经元数,学习率等参数进行优化,自动寻找合适参数,提高预测精度和收敛速度.以某地电力公司的历史负荷数据作为输入数据,迭代训练网络.对比IPSO-LSTM模型和由经验公式所得的LSTM模型的预测结果,发现新模型的MAPE比LSTM网络降低了0.8％,最大相对误差比LSTM网络降低了 4％,收敛速度更快.实验表明所提新模型拥有更高的预测精度和收敛速度.

关键词：负荷预测;非惯性权值;改进粒子群算法;神经网络

所属期刊栏目：38

分类号：TP183(自动化基础理论)

在线出版日期：2021-09-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：92-96